47695 - پروژه مهندسی پزشکی (پایتون).

شرح پروژه

مقاله بنده به صورت زیر است

فقط میخوام با دیتاست MIAS  و INbreast انجام بشه.

مهندسی پزشکی، کارشناسی و با زبان پایتون و نرم افزار گوگل کولب‌.

خوب من یه کدی خودم آماده کردم با استفاده از دیتاست MIAS اگر تمایل داشته باشید بفرستم این کدی که آماده کردم تقریبا 80  درصد کد نویسی برای مقاله ای که برای شما ارسال کردم میباشه من فقط یه قسمتی بلد نیستم بنویسم برای همین به شما مراجعه کردم برای تکمیل و بررسی میتونم کدی که نوشتم براتون ارسال کنم.

-

for repeat in range(10):  # تعداد تکرار

    print(f"\nStarting Repeat {repeat + 1}")

    fold_no = 1

    for train_index, test_index in skf.split(X, Y):

        print(f"Running Fold {fold_no} of Repeat {repeat + 1}")

        x_train, x_test = X[train_index], X[test_index]

        y_train, y_test = Y[train_index], Y[test_index]

        # تغییر ابعاد داده‌ها

        x_train = np.reshape(x_train, (*x_train.shape, 1)).astype('float32')

        x_test = np.reshape(x_test, (*x_test.shape, 1)).astype('float32')

        # به فرمت باینری تبدیل برچسب‌ها

        y_train = to_categorical(y_train, num_classes=2)

        y_test = to_categorical(y_test, num_classes=2)

        # مدل CNN ایجاد و جمع‌آوری مراحل

        model = Sequential()

        model.add(Conv2D(16, (9, 9), strides=(1, 1), padding='valid', input_shape=(128, 128, 1), kernel_regularizer=regularizers.l2(0.0001)))

        model.add(BatchNormalization())

        model.add(ReLU())

        model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))

        model.add(Conv2D(32, (7, 7), strides=(1, 1), padding='valid', kernel_regularizer=regularizers.l2(0.0001)))

        model.add(BatchNormalization())

        model.add(ReLU())

        model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))

        model.add(Conv2D(64, (5, 5), strides=(1, 1), padding='valid', kernel_regularizer=regularizers.l2(0.0001)))

        model.add(BatchNormalization())

        model.add(ReLU())

        model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))

        model.add(Conv2D(128, (3, 3), strides=(1, 1), padding='valid', kernel_regularizer=regularizers.l2(0.0001)))

        model.add(BatchNormalization())

        model.add(ReLU())

        model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))

        model.add(Flatten())

        model.add(Dense(2, activation='softmax', kernel_regularizer=regularizers.l2(0.0001)))

        optimizer = SGD(learning_rate=0.0001, momentum=0.9)

        model.compile(optimizer=optimizer, loss='categorical_crossentropy', metrics=['accuracy'])

        es = EarlyStopping(monitor='val_loss', mode='min', patience=15, restore_best_weights=True, verbose=1)

        history = model.fit(x_train, y_train, validation_split=0.25, shuffle=True, epochs=100, batch_size=25, callbacks=[es])

        # ارزیابی مدل

        y_pred = model.predict(x_test)

        y_pred_binary = (y_pred > 0.5).astype(int)

        y_test_binary = np.argmax(y_test, axis=1)

        all_y_true.extend(y_test_binary)  # برچسب‌های واقعی را اضافه کن

        all_y_pred.extend(np.argmax(y_pred_binary, axis=1))  # پیش‌بینی‌ها را اضافه کن

        loss_value, accuracy = model.evaluate(x_test, y_test)

        results.append((repeat + 1, fold_no, accuracy))

        fold_no += 1

# نمایش نتایج کلی

df = pd.DataFrame(results, columns=['Run', 'Fold', 'Accuracy'])

print(df)

average_accuracy = df.groupby('Run')['Accuracy'].mean()

print("\nFinal Result from Cross Validation: {:.2f} ± {:.4f}".format(average_accuracy.mean(), average_accuracy.std()))

این پروژه شامل 1 فایل مهم است، لطفا قبل از ارسال پیشنهاد حتما نسبت به بررسی این فایل اقدام فرمایید.

مهارت ها و تخصص های مورد نیاز

درباره کارفرما

مهندس خوب

عضویت هشت سال پیش

15231 پروژه ثبت شده ،

33 پروژه در حال انجام ،

97 پروژه آماده دریافت پیشنهاد ،

نرخ پذیرش پیشنهاد 34%